本研究提出了一种适应性数据中心框架，旨在解决自利代理在协作学习中的数据共享和模型更新问题。该框架通过仲裁者协调，处理实时数据的增量特性，优化代理的奖励和模型期望损失，实现高效的数据共享与模型定制。

本研究探讨了多智能体强化学习（MARL）在不相关并行机器调度中的应用，并比较了MARL与单智能体算法的表现。结果表明，多智能体PPO算法在可扩展性方面表现良好，但在协作学习上面临挑战，为调度优化提供了新视角。

本研究提出了一种基于联邦学习的隐私保护医学图像分割方法FedDP，旨在解决医学图像数据的分散性和隐私问题。该方法允许医疗机构在保护患者隐私的同时进行协作学习，研究结果表明模型精度影响微小，为跨机构合作提供了可行方案。

本文介绍了基于协作学习的边缘检测模型PEdger，旨在解决深度学习模型的计算成本、尺寸和噪声标注问题。研究表明，PEdger在准确性、速度和尺寸上优于传统方法，尤其在语义分割应用中表现突出。通过优化架构和新损失函数，PEdger实现了更精确的边缘检测，超越了现有技术水平。

本研究提出了一种基于差分隐私的深度学习方法，旨在保护协作学习中的数据隐私。通过动态调整算法参数，提升模型准确性并确保隐私安全。实验结果表明，该方法在图像分类任务中表现优异，显著解决了隐私泄露问题。

本研究探讨了服装变化对人员再识别（ReID）的影响，提出了身份引导的协作学习方案（IGCL）和基于因果干预的学习方法（CCIL），显著提升了在不同服装情况下的识别准确性，推动了相关领域的研究进展。

本文介绍了身份引导的协作学习方案（IGCL），旨在解决服装人物重新识别的挑战。实验结果表明，IGCL在特征提取方面优于现有方法，展现出更强的稳健性和区分性。此外，提出了基于深度学习的多种新方法，如Attention Framework of Person Body (AFPB)和Causal Clothes-Invariant Learning (CCIL)，在遮挡人物重新识别和服装变化识别中取得了显著进展。

协作学习是一种分布式学习框架，通过共享梯度更新保护用户隐私。提出了双梯度修剪（DGP）方法，提高通信效率和保护协作学习的效用和隐私。实验证明，DGP能有效抵御梯度反演攻击并降低通信成本。

本研究介绍了一种名为FEAL的新方法，通过医疗领域多个机构之间的协作学习实现数据无需集中的目标。FEAL利用Dirichlet先验分布捕获不确定性，并使用多样性放松策略减少数据冗余。实验证明FEAL在联合主动学习框架下优于现有方法。

本文介绍了联邦学习在医学图像分析中的最新发展，包括隐私保护和协作学习问题的处理，总结了现有的联邦学习方法，并提供了基准医学图像数据集和软件平台的回顾，同时进行了实验评估。

本文介绍了联邦学习在医学图像分析中的最新发展，包括隐私保护和协作学习问题的处理，总结了现有的联邦学习方法，并提供了基准医学图像数据集和软件平台的回顾，同时进行了实验以评估联邦学习方法在医学图像分析中的应用。

QAD模型是一种通用模型内协作学习框架，可以有效地检测不同质量的Deepfake。该模型最大化不同质量级别图像的中间表示之间的依赖关系，实现了对Deepfake的同时检测。该模型还具有对抗性权重扰动模块，可以提高整体性能并抵抗图像的损坏。实验证明，该模型在七个流行的Deepfake数据集上超越了之前的SOTA基准。